【正文】 方法、幾何方法、結(jié)構(gòu)方法、模型方法和信號(hào)處理方法。經(jīng)過多年的發(fā)展有些方法日趨成熟（如統(tǒng)計(jì)法），有些則逐漸體現(xiàn)出方法本身的弊端，限制了其在實(shí)際中的應(yīng)用（如幾何法）[5]。下面將對(duì)每種方法進(jìn)行闡述。1) 模型法模型法主要有隨機(jī)場模型、自回歸模型、分形模型三類。它是通過將紋理圖像建模后把紋理特征提取問題轉(zhuǎn)化為參數(shù)估計(jì)的一種方法。所以模型家族的方法主要研究如何采用優(yōu)化參數(shù)估計(jì)方法進(jìn)行參數(shù)估計(jì)。隨機(jī)場模型方法是通過概率來描述紋理信息的過程，實(shí)質(zhì)上是描述圖像中像素對(duì)其鄰域像素的統(tǒng)計(jì)依賴關(guān)系。在隨機(jī)場模型中應(yīng)用比較廣泛的是馬爾可夫模型。馬爾可夫模型建模的的基本思想是通過任意像素關(guān)于其鄰域像素的條件概率分布來描述紋理的統(tǒng)計(jì)特性。早期MRF首先被用于紋理合成領(lǐng)域[6]。之后被用于描述紋理和紋理分類與分割。馬爾可夫模型與統(tǒng)計(jì)決策理論與估計(jì)理論結(jié)合使得它對(duì)各種各樣的紋理圖像建模變的更加容易，同時(shí)得到廣泛的應(yīng)用。自回歸模型是通過鄰域的灰度級(jí)來估計(jì)本像元的灰度級(jí)，此法最早是由McCormick等人[7]提出。參數(shù)的估計(jì)可以用最小均方誤差準(zhǔn)則或最大似然估計(jì)方法。分型維數(shù)可以很好地表征紋理的粗糙程度，而且對(duì)尺度變化也不敏感，同時(shí)還可以把圖像的空間信息和灰度信息簡單而又有機(jī)地結(jié)合起來,因而在圖像處理中備受人們的關(guān)注。在應(yīng)用分形法時(shí)要注意兩點(diǎn)：第一認(rèn)為自然界中不同種類的形態(tài)物質(zhì)一般具有不同的分?jǐn)?shù)維。第二是假設(shè)自然界中的分形與圖像的灰度表示之間存在著一定的對(duì)應(yīng)關(guān)系。分?jǐn)?shù)布朗運(yùn)動(dòng)模型是分形模型中較出名的一種，它之所以能用來描述紋理是因?yàn)樗炎匀坏拇植诒砻婵闯呻S機(jī)游走的最終結(jié)果。馬爾科夫模型的主要優(yōu)點(diǎn)是提供了一種一般而自然的用來表達(dá)空間上相關(guān)隨機(jī)變量之間的相互作用的模型。它能夠兼顧紋理局部的隨機(jī)性和整體上的規(guī)律性,并且具有很大的靈活性。采用隨機(jī)場模型法對(duì)遙感影像紋理特征進(jìn)行描述并在此基礎(chǔ)上進(jìn)行分割,在很大程度上符合或反映了地學(xué)規(guī)律。MRF將紋理圖像中像素的空間交互建模為基于平面網(wǎng)格上的MRF,通過迭代的算法將紋理的局部信息逐步傳遞到整個(gè)圖像,但算法的計(jì)算量相當(dāng)大,且還會(huì)隨著圖像尺寸的增大或噪聲的增多而增加。在其迭代優(yōu)化過程中它由局部到全局的收斂速度很慢,因而需要很大的計(jì)算量。為了能清楚的描述紋理特征通常需要建立一個(gè)復(fù)雜的模型，同時(shí)模型系數(shù)的求解和參數(shù)的調(diào)節(jié)都有相當(dāng)?shù)碾y度。但是如果模型相對(duì)簡單則不能充分的反映紋理特征。所以把握模型的復(fù)雜程度和紋理的描述間的平衡點(diǎn)就顯的格外的重要。2)濾波法通過濾波的進(jìn)行紋理信息提取的方法主要有數(shù)字圖像變換方法和小波變換方法。它們的共同之處在于某種線性變換、濾波器或?yàn)V波器組將紋理轉(zhuǎn)到變換域,然后應(yīng)用某種能量準(zhǔn)則提取紋理特征[8]。大多數(shù)基于濾波的方法都基于這樣一個(gè)假設(shè):頻域的能量分布是能夠鑒別紋理的。一般這類方法的處理過程是這樣的：首先對(duì)圖像進(jìn)行濾波,把各濾波通道的輸出認(rèn)為是初始特征，且認(rèn)為初始特征的差異包含了紋理信息的差異；接下來的進(jìn)行局部能量的估計(jì)。數(shù)字圖像變換方法通常是先把圖像劃分為不重疊的nn的方形子圖像,并將像素排列成n2維的向量。然后對(duì)這些向量做一定的變換得到紋理特征。小波變換方法是模擬人的大腦對(duì)自然特征的視覺直接感受的過程。人對(duì)自然界的事物的認(rèn)知是建立在在頭腦中巨大物體模型和常識(shí)供其識(shí)別使用。為了能讓計(jì)算機(jī)也能完成相同的識(shí)別任務(wù),各界學(xué)者研究能賦予計(jì)算機(jī)擁有近于人類的視覺功能和識(shí)別能力。在研究的過程中發(fā)現(xiàn)Gabor波器具有時(shí)域和頻域的聯(lián)合最佳辨率,并且較好地模擬了人類視覺系統(tǒng)的視覺感特性,在圖像紋理特征提取中備受青睞。其主要思想是:同紋理一般具有不同的中心頻率及帶寬,根據(jù)這些頻率和帶寬可以設(shè)計(jì)一組Gabor濾波器對(duì)紋理圖像進(jìn)行濾波,每個(gè)Gabor濾波器只允許與其頻率相對(duì)應(yīng)的紋理順利通過,而使其他紋理的能量受到抑制,從各濾波器的輸出結(jié)果中分析和提取紋理特征,用于爾后的分類或分割任務(wù)。Gabor濾波器提取紋理特征主要包括兩個(gè)過程:首先設(shè)計(jì)濾波器；然后從濾波器的輸出結(jié)果中提取有效紋理特征集。小波法是從紋理圖像呈現(xiàn)出的多尺度特征入手。首先借助正交小波,對(duì)圖像進(jìn)行小波分解,得到不同分辨率的一系列圖像。分辨率低的代表原圖像上低頻的信息，分辨率高的代表原圖像上的高頻信息。與此同時(shí),每種分辨率的圖像由代表不同方向信息的一系列高頻子帶圖像組成,使用小波高頻子帶特征的目的在于它們可以反映圖像的紋理特性。由于小波具有良好的特性，有很多學(xué)者都做了研究，從而產(chǎn)生許多變種，如二進(jìn)制小波、金字塔小波等。在濾波法中，針對(duì)自然的紋理圖像柵格算子具有相對(duì)較好的紋理鑒別性能。Gabor能量譜能捕獲紋理中大量有用信息,但其變換窗口的大小固定,在靈活性方面很難獲得紋理在頻率和方向上微小的變化信息。這就使得其在實(shí)際應(yīng)用中受到限制。在計(jì)算量方面也沒有行之有效的快速算法來確定眾多的參數(shù)。與Gabor濾波相比小波更具靈活性，它不僅時(shí)頻窗口可以移動(dòng)，而且窗口形狀也隨窗口中心頻率的變化而自動(dòng)調(diào)整。同時(shí)在速度上也有優(yōu)勢(shì)。濾波法的優(yōu)勢(shì)主要體現(xiàn)在兩個(gè)方面：第一它能對(duì)紋理進(jìn)行多分辨表示,能在更精細(xì)的尺度上分析紋理；第二小波符合人類視覺特征,由此提取的特征也是有利于紋理圖像分割，能夠同時(shí)結(jié)合空間和頻域進(jìn)行紋理特征的分析。濾波法的不足部能一概而論，正交小波變換的多分辨分解只是將低頻部分進(jìn)行進(jìn)一步的分解,而對(duì)高頻部分不予考慮。這就導(dǎo)致存在于高頻部分的圖像的真實(shí)信息丟失。小波包分析雖然能克服了這一缺點(diǎn),但對(duì)非規(guī)則紋理則不能合理的刻畫出來。小波多應(yīng)用于標(biāo)準(zhǔn)或規(guī)則紋理圖像,而對(duì)于背景更復(fù)雜的自然圖像,由于存大量的噪聲干擾往往效果不佳。計(jì)算量大的問題也是小波的一個(gè)致命的缺陷。3)結(jié)構(gòu)法結(jié)構(gòu)分析方法認(rèn)為紋理可以由紋理基元的類型和數(shù)目以及基元之間的“重復(fù)性”的空間組織結(jié)構(gòu)和排列規(guī)則來描述的。該方法存在的一個(gè)潛在的假設(shè)是紋理基元幾乎具有規(guī)范的關(guān)系并且紋理圖像的基元可以分離出來。這樣就可以以基元特征和排列規(guī)則進(jìn)行紋理分割。方法本身的理論基礎(chǔ)就確定該方法只能解決規(guī)律性較強(qiáng)的紋理分析問題。對(duì)于真實(shí)的自然圖像則顯的無能為力。因此該方法在實(shí)際的應(yīng)用方面也受到了限制。基于結(jié)構(gòu)分析的方法主要有句法分析和數(shù)學(xué)形態(tài)學(xué)法。句法紋理描述方法通常首先確定紋理基元，然后根據(jù)句法模式識(shí)別理論，利用形式語言對(duì)紋理的排列規(guī)則進(jìn)行描述，以達(dá)到紋理識(shí)別的目的。數(shù)學(xué)形態(tài)學(xué)方法是在二值圖像中使用結(jié)構(gòu)基元尋找形狀的空間重復(fù)性。當(dāng)二值紋理圖像由結(jié)構(gòu)元素所腐蝕時(shí),紋理屬性就會(huì)表現(xiàn)在腐蝕后的圖像中[9]。強(qiáng)調(diào)紋理基元的形狀屬性,但是由于二值紋理圖像的假設(shè),使其應(yīng)用受限。4)統(tǒng)計(jì)法統(tǒng)計(jì)法中主要有灰度行程長度法、灰度差分統(tǒng)計(jì)、交叉對(duì)角矩陣、共生矩陣法和半方差圖方法。在這些方法中只有共生矩陣法、半方差圖方法和Local Binary Pattern （LBP）紋理法還保持著旺盛的生命力，其他幾種都因提取紋理信息的能力有限或計(jì)算量太大而被淘汰。LBP法因?yàn)榫哂行D(zhuǎn)不變性和多尺度特性，并且計(jì)算的復(fù)雜度也小的特點(diǎn)而受到眾多學(xué)者的青睞。共生矩陣法是通過統(tǒng)計(jì)相隔d像元距離的一對(duì)像元分別具有灰度層i和j的出現(xiàn)概率來描述紋理信息的。雖然共生矩陣能很好的描述紋理信息但是計(jì)算公式矩陣的代價(jià)是昂貴的。因此后來的學(xué)者著手對(duì)該方法進(jìn)行改進(jìn)。為了換取計(jì)算時(shí)間有人提出壓縮圖像的灰度級(jí)，這就意味著要損失一定的灰度的空間依賴關(guān)系。還有人通過研究各描述紋理特征指標(biāo)間的相關(guān)性來減少指標(biāo)，從而達(dá)到減少計(jì)算量的目的。半方差圖法是一種基于變差函數(shù)的方法。由于變差函數(shù)反映圖像數(shù)據(jù)的隨機(jī)性和結(jié)構(gòu)性,因而能很好地表達(dá)人造紋理和自然紋理圖像的特征。有學(xué)者[10]經(jīng)過研究認(rèn)為該方法對(duì)雷達(dá)圖像紋理提取效果相當(dāng)不錯(cuò)。也有學(xué)者[11]用該方法對(duì)大量的人造紋理圖像和自然紋理圖像進(jìn)行分割，實(shí)驗(yàn)結(jié)果表明該方法對(duì)人造紋理以及大多數(shù)自然紋理的分割效果都是不錯(cuò)的?；诮y(tǒng)計(jì)的方法算法簡單且易于實(shí)現(xiàn),尤其是共生矩陣法是公認(rèn)的有效方法,具有較強(qiáng)的適應(yīng)能力和魯棒性。Ohanian[12]曾對(duì)馬爾可夫模型法、Gabor濾波、分形模型法和共生矩陣法在提取紋理信息方面進(jìn)行評(píng)估性研究,得到的結(jié)論是共生矩陣法表現(xiàn)最好。也有學(xué)者[1314]比較了共生矩陣、馬爾可夫模型法和Gabor濾波法對(duì)遙感圖像分類的正確性，結(jié)果是共生矩陣法的正確率最好[5]。這足以證明共生矩陣在紋理分析中的優(yōu)越性。綜上所述,在提取紋理特征的有效性方面, 信號(hào)處理法、統(tǒng)計(jì)法和模型法各有特點(diǎn)可以說相差無幾,都獲得部分學(xué)者的認(rèn)可。所以我覺得研究者們應(yīng)該在如何綜合幾種方法的長處，做到取長補(bǔ)短上下點(diǎn)功夫。全文內(nèi)容安排如下:第1章 緒論介紹了課題的研究背景和意義、總結(jié)了目前遙感圖像紋理分析的研究現(xiàn)狀與發(fā)展趨勢(shì)、對(duì)現(xiàn)有的紋理分析方法進(jìn)行對(duì)比分析和概括了論文的組織結(jié)構(gòu)，其中本課題的意義從紋理分析和面向?qū)ο髢蓚€(gè)方面進(jìn)行了說明。第2章 面向?qū)ο笥跋穹治黾夹g(shù)全面介紹了面向?qū)ο蠓指罘椒ǖ膬?yōu)越性和技術(shù)特點(diǎn)，并以面向?qū)ο蟮倪吘墮z測方法——Hough變換和區(qū)域增長的方法為例進(jìn)行了說明。在前人研究的基礎(chǔ)上對(duì)區(qū)域增長法進(jìn)行了改進(jìn)，并實(shí)現(xiàn)了區(qū)域的合并算法以滿足面向?qū)ο蟮亩喑叨确治?。最后?duì)兩種面向?qū)ο蠓治龇椒ㄟM(jìn)行了對(duì)比分析。第3章 基于紋理信息的信息提取技術(shù) 分別對(duì)兩種紋理分析方法（Tamura紋理法和共生矩陣法）進(jìn)行了深入研究。尤其對(duì)共生矩陣法中各參數(shù)的選取對(duì)紋理特征的影響做了詳盡的研究。最后對(duì)兩種方法進(jìn)行了比較分析。第4章 基于共生矩陣的無人機(jī)遙感圖像的面向?qū)ο蠓指顚⒌?章的面向?qū)ο蟮募夹g(shù)和第3章紋理分析技術(shù)結(jié)合起來對(duì)無人機(jī)遙感圖像進(jìn)行分割。首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，然后用面向?qū)ο蟮姆椒ㄟM(jìn)行分割和邊界的視覺“對(duì)象化“。最后用優(yōu)度實(shí)驗(yàn)法進(jìn)行了評(píng)價(jià)分析。分析結(jié)果證明該算法能夠得到較優(yōu)的分割結(jié)果。第5章 總結(jié)與展望對(duì)本文主要研究的內(nèi)容以及所取得的結(jié)果進(jìn)行歸納，對(duì)有待進(jìn)一步研究的問題進(jìn)行了闡述。第二章 面向?qū)ο笥跋穹指钏惴ǚ治龊透倪M(jìn)第二章 面向?qū)ο笥跋穹指钏惴ǚ治龊透倪M(jìn)面向?qū)ο笥跋穹指罘椒ǖ膬?yōu)越性使得近年來學(xué)者對(duì)該方法的研究一直都是熱點(diǎn)。本文將就Hough變換和區(qū)域增長法進(jìn)行影像分析，并對(duì)算法本身進(jìn)行分析和改進(jìn)。 面向?qū)ο蠹夹g(shù)的理論基礎(chǔ)面向?qū)ο蠓椒ㄗ畲蟮奶攸c(diǎn)是后面的“操作”都是以“影像對(duì)象”為基本的操作單元，而非傳統(tǒng)方法的像元。如圖21b即為圖21a對(duì)象化后的結(jié)果。經(jīng)過初步分割的“影像對(duì)象”包含了以下幾種信息：光譜信息、紋理、位置、大小、形狀、緊致性、光滑度等。還可以自定義其它信息，如對(duì)象之間的拓?fù)潢P(guān)系從而有可能實(shí)現(xiàn)地理信息系統(tǒng)中的空間分析。同樣的影像在不增加外來信息的情況下用面向?qū)ο蟮姆治龇椒梢蕴崛〉礁嗟男畔?，從而增加了分類的依?jù)，提高分類的精度。使分類結(jié)果使分類結(jié)果更自然、更真實(shí)，更清晰、更加接近目視判別的結(jié)果。 a)對(duì)象化前影像 b)對(duì)象化后的影像圖21影像對(duì)象示意圖由于每塊影像內(nèi)所包含的信息要比單個(gè)像素所包含的信息多，大多數(shù)不同的影像對(duì)象是依據(jù)其顏色、形狀 、紋理所構(gòu)成區(qū)域進(jìn)行測算讀取的，更多信息也可通過影像對(duì)象的網(wǎng)狀結(jié)構(gòu)來進(jìn)行歸納分類或合并。這種類型特征的重要例子是給定了類和子對(duì)象數(shù)量相關(guān)邊界的鄰里對(duì)象。 面向?qū)ο蟮膬?yōu)越性面向?qū)ο蟮挠跋穹治黾夹g(shù)是基于對(duì)象的理念對(duì)影像的空間信息、光譜信息、紋理信息和形狀信息等方面的信息提取，最終進(jìn)行影像的識(shí)別和分類。它首先根據(jù)應(yīng)用目的選擇合適的尺度對(duì)影像進(jìn)行初分割，然后進(jìn)行相似區(qū)域合并進(jìn)而形成新的對(duì)象層，如果需要還可以合并成新的對(duì)象層。對(duì)象層和這些層間的連接方式以層次結(jié)構(gòu)的方式進(jìn)行。每個(gè)影像對(duì)象都知道它的相鄰對(duì)象、它的子對(duì)象以及它的父對(duì)象，通過垂直連接對(duì)象，可以訪問尺度、紋理、形狀和空間位置等屬性。傳統(tǒng)的分類和提取方法主要是基于像素的、利用統(tǒng)計(jì)與人工解譯相結(jié)合的方法。這種方法不僅精度低，效率低，勞動(dòng)強(qiáng)度大，且過分依賴于人工解譯分析，并在很大程度上不具備重復(fù)性。以單個(gè)像素為單位的常規(guī)信息提取技術(shù)過于著眼于局部而忽略了附近整片圖斑的幾何結(jié)構(gòu)情況，從而嚴(yán)重制約了信息提取的精度。一些商業(yè)化的遙感圖像處理軟件，雖然提供了簡單的影像分類和信息提取方法，但所基于分類方法非常，往往不僅效率非常低，也難于達(dá)到實(shí)用的要求和精度。這種面向?qū)ο蟮倪b感影像分析方法首先根據(jù)尺度參數(shù)、局部區(qū)域紋理信息以及形狀和光譜信息自動(dòng)將影像分為若干內(nèi)部均勻的小區(qū)域，并把這些小區(qū)域叫影像對(duì)象。然后可以根據(jù)需要合并影像對(duì)象為尺度更大的對(duì)象層。每個(gè)影像對(duì)象都知道它的相鄰對(duì)象、它的子對(duì)象以及它的父對(duì)象，通過垂直連接對(duì)象，可以訪問尺度、紋理、形狀和空間位置等屬性。影像最小單元為單一的對(duì)象，所有后續(xù)的分類工作基于影像對(duì)象進(jìn)行分類，從而分類結(jié)果可以避免斑點(diǎn)噪聲。它可以充分利用了對(duì)象信息（色調(diào)、形狀、紋理、層次），類間信息（與鄰近對(duì)象、子對(duì)象、父對(duì)象的相關(guān)特征）,該方法大大提高了不同空間分辨率數(shù)據(jù)的自動(dòng)識(shí)別精度，有效地滿足了地學(xué)科研和工程應(yīng)用的需求。相比以像元為單位分類方法面向?qū)ο蟮姆椒ň哂幸韵聨讉€(gè)優(yōu)點(diǎn)：1) 面向?qū)ο蟮姆椒ň哂泻芎玫恼w性。因?yàn)樗梢猿浞值睦眯螤睿ㄈ玳L度、邊緣個(gè)數(shù)等）和拓?fù)涮卣鳎ㄠ徑?，?duì)象結(jié)構(gòu)等等）等信息，可以保持地物目標(biāo)的整體性。2) 更智能化。面向?qū)ο蟮姆椒ń跤谀M人的認(rèn)知過程?？梢岳玫男畔⒑腿四X認(rèn)知過程所利用的信息基本一致。3) 分類精度更高。面向?qū)ο蟮挠跋穹治龇梢愿鶕?jù)相鄰對(duì)象的類別限定本對(duì)象可能所屬的類別，分類中可以利用層次與鄰接參數(shù)使分類更準(zhǔn)確且易于描述。由于對(duì)象具有明確的等級(jí)與相鄰關(guān)系，子類可以繼承父類的類別描述函數(shù)，不但減少了類別間的混疊，而且基于一次解譯結(jié)果可以制作多種不同詳細(xì)程度的專題圖[15]。 遙感中的尺度問題所謂尺度是一個(gè)抽象的概念，當(dāng)我們說一個(gè)項(xiàng)目是在多大空間范圍上進(jìn)行的，此時(shí)的“空間范圍“就是指空間尺度。通常把現(xiàn)象隨著尺度變化而變化稱為尺度效應(yīng)。當(dāng)然我舉的例子是空間尺度的，廣義的尺度包含功能尺度和時(shí)空尺度等。我們這里比較關(guān)心的是空間尺度。在同一個(gè)空間參考系中，大尺度數(shù)據(jù)在空間上占有較大的空間范圍，在時(shí)間上表現(xiàn)為相對(duì)較長的時(shí)間間隔，在屬性上反映過程和現(xiàn)象的整體、抽象、輪廓趨勢(shì)；相反小尺度數(shù)據(jù)在空間上占的空間范圍較小，在時(shí)間上表現(xiàn)為較短的時(shí)間間隔，在屬